欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

基于DEAP數(shù)據(jù)集與SVM的腦電情感識別:從預(yù)處理到模型調(diào)優(yōu)全流程實(shí)踐

基于DEAP數(shù)據(jù)集與SVM的腦電情感識別:從預(yù)處理到模型調(diào)優(yōu)全流程實(shí)踐 簡介本資源是一套面向腦機(jī)接口與情感計(jì)算方向研究者的完整論文代碼實(shí)現(xiàn)方案聚焦DEAP數(shù)據(jù)集上的四分類情緒識別任務(wù)效價(jià)-喚醒二維象限劃分適用于具備MATLAB基礎(chǔ)與機(jī)器學(xué)習(xí)入門知識的研究生及科研人員。資源包含16個文件以10個核心MATLAB腳本如頻帶濾波、DWT特征提取、SVM訓(xùn)練等、3個Jupyter Notebook含KNN對比實(shí)驗(yàn)、1篇PDF論文、1份README說明及輔助文本文件為主總大小僅488KB結(jié)構(gòu)緊湊、模塊清晰便于復(fù)現(xiàn)實(shí)驗(yàn)流程與特征工程細(xì)節(jié)。已有3636人學(xué)習(xí)下載讀者可直接運(yùn)行代碼完成從原始EEG信號預(yù)處理、α/β/θ頻帶分離、箱線圖特征篩選、統(tǒng)計(jì)特征偏度、峰度、波熵構(gòu)建到SVM四分類建模的全流程并獲得92.36%測試準(zhǔn)確率結(jié)果顯著優(yōu)于現(xiàn)有主流方法附帶可視化腳本支持特征分布與分類效果分析。1. 項(xiàng)目背景與核心目標(biāo)最近在整理過往的研究項(xiàng)目翻到了一個基于DEAP數(shù)據(jù)集做情感識別的老項(xiàng)目感覺挺有意思的。這個項(xiàng)目說白了就是通過分析人的腦電信號來判斷他/她當(dāng)前是高興、悲傷、平靜還是興奮。聽起來有點(diǎn)科幻但其實(shí)背后的技術(shù)路徑已經(jīng)相當(dāng)成熟。當(dāng)時我用的是經(jīng)典的機(jī)器學(xué)習(xí)方法核心流程就是從原始的腦電信號里提取特征然后用支持向量機(jī)SVM去訓(xùn)練一個分類器。整個過程在MATLAB里實(shí)現(xiàn)從數(shù)據(jù)預(yù)處理、特征工程到模型訓(xùn)練和評估一條龍搞定。今天這篇文章我就把這個項(xiàng)目的完整實(shí)現(xiàn)思路、關(guān)鍵代碼和踩過的坑系統(tǒng)地梳理一遍希望能給對腦機(jī)接口、情感計(jì)算或者信號處理感興趣的朋友提供一個清晰的參考模板。無論你是剛?cè)腴T的研究生還是想快速復(fù)現(xiàn)一個baseline的工程師這篇內(nèi)容應(yīng)該都能幫到你。DEAP數(shù)據(jù)集在情感計(jì)算領(lǐng)域算是“明星數(shù)據(jù)集”了它包含了32位被試者在觀看音樂視頻時的腦電EEG和外圍生理信號如肌電、皮電等并且對每段視頻都進(jìn)行了效價(jià)Valence、喚醒度Arousal、支配度Dominance和喜愛度Liking的評分。我們通常取效價(jià)和喚醒度這兩個維度將它們劃分為高/低兩類然后組合成四個象限就對應(yīng)了四種情感狀態(tài)高喚醒高效價(jià)HAHV可理解為興奮/高興、高喚醒低效價(jià)HALV可理解為焦慮/憤怒、低喚醒高效價(jià)LAHV可理解為平靜/放松、低喚醒低效價(jià)LALV可理解為悲傷/低落。我們的任務(wù)就是讓機(jī)器通過腦電信號認(rèn)出這四種狀態(tài)。2. DEAP數(shù)據(jù)集預(yù)處理與關(guān)鍵理解拿到DEAP數(shù)據(jù)集后第一步不是急著跑代碼而是先理解它的數(shù)據(jù)結(jié)構(gòu)。DEAP數(shù)據(jù)以MAT文件.mat格式提供通常包含兩個關(guān)鍵變量data和labels。data是一個4維數(shù)組維度通常是參與者 × 視頻片段 × 通道 × 數(shù)據(jù)點(diǎn)例如 32 x 40 x 32 x 8064。這里8064對應(yīng)的是63秒的視頻片段采樣頻率是128Hz所以63*1288064個數(shù)據(jù)點(diǎn)。labels則包含了每個視頻片段對應(yīng)的效價(jià)、喚醒度等評分。預(yù)處理的目標(biāo)是把原始的、充滿噪聲的腦電信號變成干凈、可用于特征提取的信號。這個過程至關(guān)重要直接決定了后續(xù)特征的質(zhì)量和模型的性能上限。2.1 數(shù)據(jù)加載與維度重塑首先我們需要把數(shù)據(jù)加載進(jìn)來并轉(zhuǎn)換成更易于處理的格式。原始的四維數(shù)組在操作時不太方便我們通常會把數(shù)據(jù)重塑成二維矩陣樣本 × 特征但這里先按被試和試驗(yàn)進(jìn)行分割。% 假設(shè)數(shù)據(jù)文件為 DEAP_data.mat load(DEAP_data.mat); % 這會加載變量 data 和 labels % 查看數(shù)據(jù)維度 [num_participants, num_trials, num_channels, num_samples] size(data); disp([數(shù)據(jù)維度: , num2str(num_participants), 參與者, , ... num2str(num_trials), 試驗(yàn), , num2str(num_channels), 通道, , ... num2str(num_samples), 采樣點(diǎn)]); % 提取標(biāo)簽這里以效價(jià)和喚醒度為例假設(shè)它們是labels的前兩列 valence_labels labels(:, 1); % 效價(jià)維度 arousal_labels labels(:, 2); % 喚醒度維度2.2 腦電信號預(yù)處理流程詳解腦電信號非常微弱容易受到眼電EOG、肌電EMG、工頻干擾50Hz等噪聲污染。標(biāo)準(zhǔn)的預(yù)處理流程包括以下幾步重參考原始腦電記錄通常是單極導(dǎo)聯(lián)需要一個參考點(diǎn)。DEAP數(shù)據(jù)已使用平均參考這一步通??梢蕴^但了解其概念很重要。平均參考是假設(shè)所有電極電位的平均值為零將每個通道的信號減去所有通道的平均值有助于減少共同噪聲。帶通濾波保留有用的腦電節(jié)律成分。一般認(rèn)為與情感相關(guān)的腦電成分分布在Delta(1-4Hz), Theta(4-8Hz), Alpha(8-13Hz), Beta(13-30Hz), Gamma(30-45Hz)等頻段。我們通常用一個較寬的帶通濾波器比如0.5Hz到45Hz以保留大部分有效信息同時濾除極低頻的漂移和高頻的肌電噪聲。陷波濾波去除工頻干擾50Hz或60Hz取決于地區(qū)。在中國是50Hz。分段與基線校正DEAP數(shù)據(jù)已經(jīng)是觀看視頻期間的63秒連續(xù)數(shù)據(jù)。有時我們需要進(jìn)行更短時間窗的分析如分析事件相關(guān)電位ERP但在這個項(xiàng)目中我們直接使用整個63秒的片段作為一個樣本?;€校正通常指減去一段“靜息”或“刺激前”時期的平均幅值以消除個體直流偏移。DEAP數(shù)據(jù)在提供前可能已做過處理但為了嚴(yán)謹(jǐn)我們可以計(jì)算每個試驗(yàn)最開始一小段如前1秒數(shù)據(jù)的均值然后從整個試驗(yàn)數(shù)據(jù)中減去它。下面是用MATLAB實(shí)現(xiàn)濾波的示例代碼。我強(qiáng)烈推薦使用EEGLAB或FieldTrip這些專業(yè)的腦電處理工具箱它們功能強(qiáng)大且穩(wěn)定。但為了理解原理這里用MATLAB內(nèi)置函數(shù)演示% 定義采樣頻率和濾波器參數(shù) Fs 128; % DEAP采樣率 low_cutoff 0.5; % 高通截止頻率 (Hz) high_cutoff 45.0; % 低通截止頻率 (Hz) notch_freq 50; % 陷波頻率 (Hz) % 設(shè)計(jì)一個帶通濾波器例如使用巴特沃斯濾波器 order 4; % 濾波器階數(shù) [b_band, a_band] butter(order, [low_cutoff, high_cutoff]/(Fs/2), bandpass); % 設(shè)計(jì)一個陷波濾波器 wo notch_freq/(Fs/2); % 歸一化頻率 bw wo/35; % 帶寬 [b_notch, a_notch] iirnotch(wo, bw); % 假設(shè)我們處理一個被試一個試驗(yàn)的一個通道數(shù)據(jù) trial_eeg (1 x 8064) % 1. 帶通濾波 filtered_eeg filtfilt(b_band, a_band, trial_eeg); % 使用filtfilt實(shí)現(xiàn)零相位濾波 % 2. 陷波濾波 filtered_eeg filtfilt(b_notch, a_notch, filtered_eeg); % 注意對多通道數(shù)據(jù)需要循環(huán)處理每個通道。 % 更高效的做法是使用eeglab的pop_eegfiltnew函數(shù) % EEG pop_eegfiltnew(EEG, low_cutoff, high_cutoff); % EEG pop_eegfiltnew(EEG, notch_freq-1, notch_freq1, [], 1); % 陷波注意filtfilt函數(shù)執(zhí)行的是零相位濾波它通過對數(shù)據(jù)正向和反向各濾波一次消除了濾波器帶來的相位延遲這對于后續(xù)的時頻分析非常重要。但它的計(jì)算量是普通濾波的兩倍。2.3 標(biāo)簽生成從維度到四分類DEAP的原始標(biāo)簽是連續(xù)的效價(jià)和喚醒度評分1-9分。我們需要將其離散化為高/低兩類通常以中值5為界。% 假設(shè)valence_labels和arousal_labels是來自所有試驗(yàn)的向量 valence_threshold 5; arousal_threshold 5; % 生成二值標(biāo)簽 valence_binary valence_labels valence_threshold; % 1高效價(jià)0低效價(jià) arousal_binary arousal_labels arousal_threshold; % 1高喚醒0低喚醒 % 組合成四分類標(biāo)簽 (1: LALV, 2: LAHV, 3: HALV, 4: HAHV) % 注意這里的映射關(guān)系可以根據(jù)你的情感模型定義調(diào)整 four_class_labels zeros(size(valence_labels)); four_class_labels(~arousal_binary ~valence_binary) 1; % 低喚醒低效價(jià) four_class_labels(~arousal_binary valence_binary) 2; % 低喚醒高效價(jià) four_class_labels(arousal_binary ~valence_binary) 3; % 高喚醒低效價(jià) four_class_labels(arousal_binary valence_binary) 4; % 高喚醒高效價(jià) % 檢查類別分布 tabulate(four_class_labels)類別不平衡是情感識別中常見的問題。DEAP數(shù)據(jù)集的四個類別分布可能不是完全均勻的。如果差異較大在后續(xù)訓(xùn)練模型時需要考慮采用加權(quán)SVM、過采樣如SMOTE或欠采樣等策略。3. 時頻域特征提取從信號到信息特征提取是情感識別的核心。腦電信號在時域上看就是一條隨時間變化的電壓曲線信息隱藏很深。時頻分析能告訴我們信號的能量在不同頻率成分上是如何隨時間變化的這比單純的時域或頻域特征更能捕捉情感的動態(tài)特性。3.1 為何選擇時頻域特征情感變化不是瞬間切換的而是一個動態(tài)過程。例如從平靜到興奮大腦中Alpha波8-13Hz的能量可能會降低去同步化而Beta波13-30Hz的能量可能會增加。單純的頻域特征如整個片段的功率譜會丟失時間信息而單純的時域特征如均值、方差對頻率不敏感。時頻分析如小波變換、短時傅里葉變換提供了“時間-頻率”二維平面上的能量分布讓我們能夠提取諸如“在視頻播放的第20秒到30秒前額葉Theta波能量上升”這樣的動態(tài)特征這對情感識別至關(guān)重要。3.2 基于短時傅里葉變換STFT的特征提取實(shí)踐STFT是理解時頻分析最直觀的工具。它的思想很簡單把長信號分成許多短的、重疊的片段對每個片段做傅里葉變換從而得到每個時間點(diǎn)附近的頻率成分。% 假設(shè) filtered_eeg 是一個預(yù)處理后的單通道腦電信號 (1 x N) signal filtered_eeg; N length(signal); Fs 128; % 設(shè)置STFT參數(shù) window_length 256; % 窗長對應(yīng)2秒 (256/1282)。窗越長頻率分辨率越高時間分辨率越低。 noverlap 128; % 重疊點(diǎn)數(shù)通常為窗長的一半。重疊越多時頻圖越平滑。 nfft 512; % FFT點(diǎn)數(shù)通常大于等于窗長。決定頻率軸的精細(xì)度。 % 計(jì)算STFT [S, F, T] spectrogram(signal, window_length, noverlap, nfft, Fs); % S是復(fù)數(shù)矩陣維度為 (nfft/21) x 時間窗數(shù) % F是頻率向量 % T是時間向量每個窗的中心時間 % 計(jì)算功率譜密度 (PSD) P abs(S).^2; % 現(xiàn)在P就是一個時頻能量矩陣。我們可以從中提取各種特征。從時頻矩陣P中我們可以提取多種特征特定頻帶功率這是最常用的特征。先定義頻帶范圍然后對P矩陣中對應(yīng)頻率區(qū)間的功率進(jìn)行求和或平均。% 定義經(jīng)典頻帶邊界 (Hz) band_defs { Delta, 1, 4; Theta, 4, 8; Alpha, 8, 13; Beta, 13, 30; Gamma, 30, 45; }; % 初始化特征向量 band_powers []; for i 1:size(band_defs, 1) band_name band_defs{i, 1}; f_low band_defs{i, 2}; f_high band_defs{i, 3}; % 找到頻率向量F中在頻帶內(nèi)的索引 freq_indices (F f_low) (F f_high); % 計(jì)算該頻帶在所有時間窗上的總功率然后對所有時間窗取平均 % 也可以考慮取對數(shù)(log)使分布更接近正態(tài) band_power_total sum(P(freq_indices, :), 1); % 對頻率維求和得到每個時間窗的該頻帶功率 band_power_mean mean(band_power_total); % 對所有時間窗求平均得到一個標(biāo)量特征 % band_power_log log(band_power_mean eps); % 取對數(shù)加eps防止為0 band_powers [band_powers, band_power_mean]; end % 現(xiàn)在 band_powers 是一個1x5的向量包含5個頻帶的平均功率時頻統(tǒng)計(jì)特征我們可以把時頻矩陣P看作一幅圖像計(jì)算其統(tǒng)計(jì)特性。平均功率mean(P(:))功率標(biāo)準(zhǔn)差std(P(:))功率偏度/峰度skewness(P(:)),kurtosis(P(:))描述功率分布的形態(tài)。譜熵將每個時間點(diǎn)的功率譜歸一化為概率分布計(jì)算其香農(nóng)熵反映頻譜的復(fù)雜度或平坦度。% 計(jì)算譜熵 (Spectral Entropy) % 對每個時間窗的功率譜進(jìn)行歸一化 P_norm zeros(size(P)); for t 1:size(P, 2) p_slice P(:, t); p_slice p_slice / sum(p_slice); % 歸一化為概率分布 P_norm(:, t) p_slice; end % 計(jì)算每個時間窗的譜熵 spectral_entropy_per_window -sum(P_norm .* log2(P_norm eps), 1); % 取所有時間窗譜熵的平均值作為特征 mean_spectral_entropy mean(spectral_entropy_per_window);微分熵特征在腦電分析中微分熵Differential Entropy, DE被證明是有效的特征特別是在基于頻帶的特征提取中。對于一段服從高斯分布N(μ, σ^2)的信號其微分熵計(jì)算公式為0.5 * log(2πeσ^2)。在實(shí)際操作中我們通常假設(shè)每個頻帶內(nèi)的信號近似服從高斯分布因此可以用該頻帶功率的對數(shù)變換來近似微分熵。許多研究直接使用log(頻帶功率)作為特征效果很好。% 基于之前計(jì)算的 band_power_total (每個時間窗的頻帶功率) de_features []; for i 1:size(band_defs, 1) % 假設(shè) band_power_total 是之前計(jì)算好的第i個頻帶的功率時間序列 % 這里需要重新計(jì)算每個頻帶每個時間窗的功率 freq_indices (F band_defs{i, 2}) (F band_defs{i, 3}); band_power_per_window sum(P(freq_indices, :), 1); % 1 x 時間窗數(shù) % 計(jì)算該頻帶功率的微分熵近似為對數(shù)功率 % 可以對每個時間窗取對數(shù)后平均也可以先平均再取對數(shù)效果略有不同 de_per_window log(band_power_per_window eps); mean_de mean(de_per_window); de_features [de_features, mean_de]; end3.3 多通道特征融合與特征向量構(gòu)建上面我們只針對一個通道進(jìn)行了特征提取。DEAP有32個通道或64個我們需要對所有通道重復(fù)上述過程然后將所有特征拼接成一個長向量代表一個試驗(yàn)樣本。% 假設(shè)我們有一個函數(shù) extract_features_from_channel(eeg_signal, Fs) % 它輸入一個通道的信號輸出一個特征向量 (例如 5個頻帶功率 1個譜熵 6維) num_channels 32; features_per_trial []; for ch 1:num_channels single_channel_signal squeeze(data(participant_idx, trial_idx, ch, :)); % 獲取指定被試、試驗(yàn)、通道的數(shù)據(jù) single_channel_signal preprocess_eeg(single_channel_signal, Fs); % 預(yù)處理函數(shù) ch_features extract_features_from_channel(single_channel_signal, Fs); features_per_trial [features_per_trial, ch_features]; end % 最終features_per_trial 是一個 1 x (6 * 32) 1 x 192 維的特征向量。這就是一個樣本的特征向量。對數(shù)據(jù)集中的所有試驗(yàn)和所有被試重復(fù)此操作注意要按被試劃分訓(xùn)練測試集避免數(shù)據(jù)泄露我們就能得到特征矩陣X(樣本數(shù) x 特征數(shù)) 和標(biāo)簽向量y。實(shí)操心得特征維度會爆炸式增長通道數(shù) x 每通道特征數(shù)。32個通道每個通道提取6個特征就是192維。如果使用更復(fù)雜的時頻特征如Hjorth參數(shù)、分形維數(shù)等維度會更高。高維特征容易導(dǎo)致“維數(shù)災(zāi)難”并且包含大量冗余信息。因此特征選擇是必不可少的后續(xù)步驟。我們可以使用方差閾值、相關(guān)系數(shù)、遞歸特征消除RFE或基于模型如L1正則化的方法來篩選出最具有判別力的特征子集。在項(xiàng)目初期為了快速驗(yàn)證流程可以先用所有特征但最終一定要做特征選擇來優(yōu)化模型。4. 支持向量機(jī)分類器的構(gòu)建與調(diào)優(yōu)特征準(zhǔn)備好之后就進(jìn)入了建模階段。支持向量機(jī)SVM在小樣本、高維度的分類問題上表現(xiàn)優(yōu)異并且可以通過核函數(shù)處理非線性問題非常適合作為腦電情感識別的基線分類器。4.1 SVM原理簡述與核函數(shù)選擇SVM的核心思想是尋找一個最優(yōu)超平面使得兩類樣本到這個超平面的“間隔”最大化。對于線性不可分的數(shù)據(jù)SVM通過“核技巧”將數(shù)據(jù)映射到高維空間使其在高維空間中線性可分。常用的核函數(shù)有線性核K(x, z) x^T * z。參數(shù)少速度快可解釋性強(qiáng)。如果特征已經(jīng)足夠好或者特征維度很高線性核往往就能取得不錯的效果并且不容易過擬合。徑向基函數(shù)核K(x, z) exp(-γ * ||x - z||^2)。也叫高斯核是最常用的非線性核。它能夠處理非常復(fù)雜的非線性關(guān)系但需要調(diào)節(jié)兩個超參數(shù)懲罰系數(shù)C和核系數(shù)γ。γ定義了單個樣本的影響范圍γ越大影響范圍越小決策邊界越復(fù)雜容易過擬合γ越小決策邊界越平滑容易欠擬合。對于腦電情感識別由于特征與情感狀態(tài)之間的關(guān)系可能是非線性的RBF核通常是首選。但我的經(jīng)驗(yàn)是先用線性核試一下。如果線性核的準(zhǔn)確率已經(jīng)接近或達(dá)到你的預(yù)期那么就用它因?yàn)槟P透唵巍⒏?、更不容易過擬合。如果線性核效果不佳再切換到RBF核進(jìn)行精細(xì)調(diào)參。4.2 MATLAB中SVM的實(shí)現(xiàn)與關(guān)鍵步驟MATLAB的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)工具箱Statistics and Machine Learning Toolbox提供了fitcsvm函數(shù)用于訓(xùn)練SVM分類器。對于多分類問題MATLAB默認(rèn)使用“一對一”策略。% 假設(shè)我們已經(jīng)準(zhǔn)備好了特征矩陣 X (n_samples x n_features) 和標(biāo)簽 y (n_samples x 1) % 1. 數(shù)據(jù)標(biāo)準(zhǔn)化 (非常重要) % SVM對特征的尺度敏感特別是使用RBF核時。必須標(biāo)準(zhǔn)化。 [X_train_scaled, mu, sigma] zscore(X_train); % 訓(xùn)練集標(biāo)準(zhǔn)化 X_test_scaled (X_test - mu) ./ sigma; % 測試集使用訓(xùn)練集的均值和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化 % 2. 訓(xùn)練一個簡單的線性SVM作為基線 linear_svm_model fitcsvm(X_train_scaled, y_train, ... KernelFunction, linear, ... Standardize, false, ... % 我們已經(jīng)手動標(biāo)準(zhǔn)化了所以這里設(shè)為false BoxConstraint, 1, ... % 懲罰系數(shù) C默認(rèn)是1 ClassNames, unique(y_train), ... Verbose, 1); % 3. 在測試集上預(yù)測 [y_pred_linear, score_linear] predict(linear_svm_model, X_test_scaled); accuracy_linear sum(y_pred_linear y_test) / numel(y_test); fprintf(線性SVM準(zhǔn)確率: %.2f%%\n, accuracy_linear * 100);如果線性SVM效果不理想我們轉(zhuǎn)向RBF核并需要進(jìn)行超參數(shù)調(diào)優(yōu)。最常用的方法是網(wǎng)格搜索交叉驗(yàn)證。4.3 超參數(shù)網(wǎng)格搜索與交叉驗(yàn)證C和γ的最佳值需要通過交叉驗(yàn)證來尋找。C控制誤分類的懲罰力度C越大模型越不允許犯錯決策邊界越復(fù)雜γ控制RBF核的寬度。% 定義參數(shù)網(wǎng)格 C_values [0.001, 0.01, 0.1, 1, 10, 100, 1000]; gamma_values [0.001, 0.01, 0.1, 1, 10, 100]; % 注意gamma 1/(2*sigma^2)有些定義不同 % 初始化最佳參數(shù)和準(zhǔn)確率 best_accuracy 0; best_C 1; best_gamma 1; % 創(chuàng)建交叉驗(yàn)證分區(qū) (例如5折) cv cvpartition(y_train, KFold, 5); % 網(wǎng)格搜索 for C C_values for gamma gamma_values fprintf(正在嘗試 C%.3f, gamma%.3f...\n, C, gamma); % 初始化本輪交叉驗(yàn)證的準(zhǔn)確率列表 fold_accuracies zeros(cv.NumTestSets, 1); for fold 1:cv.NumTestSets % 獲取當(dāng)前折的訓(xùn)練/驗(yàn)證索引 trainIdx cv.training(fold); testIdx cv.test(fold); % 劃分?jǐn)?shù)據(jù) X_fold_train X_train_scaled(trainIdx, :); y_fold_train y_train(trainIdx); X_fold_val X_train_scaled(testIdx, :); y_fold_val y_train(testIdx); % 訓(xùn)練SVM svm_model fitcsvm(X_fold_train, y_fold_train, ... KernelFunction, rbf, ... KernelScale, 1/sqrt(gamma), ... % MATLAB的KernelScale參數(shù)是sigmagamma1/(2*sigma^2) BoxConstraint, C, ... Standardize, false); % 驗(yàn)證 y_fold_pred predict(svm_model, X_fold_val); fold_accuracies(fold) sum(y_fold_pred y_fold_val) / numel(y_fold_val); end % 計(jì)算平均交叉驗(yàn)證準(zhǔn)確率 mean_cv_accuracy mean(fold_accuracies); fprintf( 平均CV準(zhǔn)確率: %.4f\n, mean_cv_accuracy); % 更新最佳參數(shù) if mean_cv_accuracy best_accuracy best_accuracy mean_cv_accuracy; best_C C; best_gamma gamma; end end end fprintf(\n最佳參數(shù): C %.3f, gamma %.3f, 最佳CV準(zhǔn)確率: %.4f\n, best_C, best_gamma, best_accuracy); % 使用最佳參數(shù)在整個訓(xùn)練集上訓(xùn)練最終模型 final_svm_model fitcsvm(X_train_scaled, y_train, ... KernelFunction, rbf, ... KernelScale, 1/sqrt(best_gamma), ... BoxConstraint, best_C, ... Standardize, false); % 在獨(dú)立測試集上評估最終模型 [y_pred_final, score_final] predict(final_svm_model, X_test_scaled); test_accuracy sum(y_pred_final y_test) / numel(y_test); fprintf(最終模型在測試集上的準(zhǔn)確率: %.2f%%\n, test_accuracy * 100);踩坑提醒數(shù)據(jù)泄露標(biāo)準(zhǔn)化zscore必須在劃分訓(xùn)練集和測試集之后分別進(jìn)行。必須用訓(xùn)練集的均值和標(biāo)準(zhǔn)差去標(biāo)準(zhǔn)化測試集絕對不能用整個數(shù)據(jù)集計(jì)算均值和標(biāo)準(zhǔn)差然后統(tǒng)一標(biāo)準(zhǔn)化否則測試集信息就“泄露”到訓(xùn)練過程了會嚴(yán)重高估模型性能。類別不平衡如果四個情感類別樣本數(shù)差異很大需要在fitcsvm中設(shè)置Prior參數(shù)為empirical讓模型根據(jù)訓(xùn)練數(shù)據(jù)自動調(diào)整先驗(yàn)概率或者設(shè)置Weights參數(shù)給少數(shù)類更高的權(quán)重。網(wǎng)格搜索的代價(jià)參數(shù)網(wǎng)格C_values和gamma_values的乘積乘以交叉驗(yàn)證折數(shù)就是需要訓(xùn)練模型的次數(shù)。如果數(shù)據(jù)量大、特征多這個過程會非常耗時??梢詮拇志W(wǎng)格開始如[0.01, 0.1, 1, 10, 100]找到大致范圍后再在附近進(jìn)行精細(xì)搜索。也可以使用更高效的優(yōu)化算法如貝葉斯優(yōu)化bayesopt函數(shù)。MATLAB的KernelScale注意fitcsvm的KernelScale參數(shù)對應(yīng)的是RBF核公式中的sigma而通常我們說的gamma參數(shù)是1/(2*sigma^2)。所以代碼中我們用1/sqrt(gamma)來轉(zhuǎn)換。務(wù)必理清你所用工具包對核參數(shù)的定義。5. 模型評估、結(jié)果分析與可視化得到一個準(zhǔn)確率數(shù)字只是開始更重要的是理解模型在哪里做得好在哪里做得不好。5.1 超越準(zhǔn)確率全面的評估指標(biāo)對于四分類問題混淆矩陣Confusion Matrix是最直觀的工具。% 計(jì)算混淆矩陣 C confusionmat(y_test, y_pred_final); % 使用內(nèi)置函數(shù)繪圖更美觀 figure; confusionchart(C, {LALV, LAHV, HALV, HAHV}); % 按你的標(biāo)簽順序 title(SVM分類器混淆矩陣);從混淆矩陣中我們可以計(jì)算每個類別的精確率Precision、召回率Recall和F1分?jǐn)?shù)。% 計(jì)算每類的性能指標(biāo) num_classes 4; precision zeros(num_classes, 1); recall zeros(num_classes, 1); f1_score zeros(num_classes, 1); for i 1:num_classes TP C(i, i); FP sum(C(:, i)) - TP; FN sum(C(i, :)) - TP; precision(i) TP / (TP FP eps); recall(i) TP / (TP FN eps); f1_score(i) 2 * (precision(i) * recall(i)) / (precision(i) recall(i) eps); end % 顯示結(jié)果 class_names {LALV, LAHV, HALV, HAHV}; for i 1:num_classes fprintf(類別 %s: 精確率%.3f, 召回率%.3f, F1%.3f\n, ... class_names{i}, precision(i), recall(i), f1_score(i)); end % 計(jì)算宏平均F1 macro_f1 mean(f1_score); fprintf(宏平均F1分?jǐn)?shù): %.3f\n, macro_f1);為什么F1分?jǐn)?shù)很重要在類別不平衡的情況下準(zhǔn)確率可能會被大類別主導(dǎo)而虛高。比如90%的樣本都是“平靜”模型只要全部預(yù)測“平靜”就能得到90%的準(zhǔn)確率但這毫無意義。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均能更好地衡量模型對每個類別的識別能力宏平均F1對所有類別一視同仁。5.2 結(jié)果可視化與解讀特征重要性分析對于線性SVM可以通過檢查權(quán)重向量w的絕對值大小來估計(jì)特征的重要性。權(quán)重絕對值越大說明該特征對決策的影響越大。if strcmp(final_svm_model.KernelParameters.Function, linear) w final_svm_model.Beta; % 權(quán)重系數(shù) [sorted_w, idx] sort(abs(w), descend); top_n 20; fprintf(重要性排名前%d的特征索引:\n, top_n); disp(idx(1:top_n)); % 你可以將這些索引映射回具體的通道和特征類型如“F3通道的Alpha功率” end決策邊界可視化降維后對于高維數(shù)據(jù)我們可以使用t-SNE或PCA將其降到2維或3維然后畫出樣本點(diǎn)和SVM的決策邊界需要訓(xùn)練一個在降維空間上的新SVM這有助于直觀感受數(shù)據(jù)的可分性。% 使用PCA降維到2維 [coeff, score, latent] pca(X_train_scaled); X_train_2d score(:, 1:2); % 在2維數(shù)據(jù)上重新訓(xùn)練一個SVM僅用于可視化 svm_2d fitcsvm(X_train_2d, y_train, KernelFunction, rbf, Standardize, false); % 創(chuàng)建網(wǎng)格用于繪制決策區(qū)域 x1range min(X_train_2d(:,1))-1 : 0.1 : max(X_train_2d(:,1))1; x2range min(X_train_2d(:,2))-1 : 0.1 : max(X_train_2d(:,2))1; [xx1, xx2] meshgrid(x1range, x2range); XGrid [xx1(:), xx2(:)]; % 預(yù)測網(wǎng)格點(diǎn)的類別 [~, scores] predict(svm_2d, XGrid); % 繪制決策區(qū)域和樣本點(diǎn) figure; h gscatter(X_train_2d(:,1), X_train_2d(:,2), y_train, brgk, o*^v); hold on; contour(xx1, xx2, reshape(scores(:,4), size(xx1)), [0 0], k-, LineWidth, 2); % 繪制第4類HAHV的決策邊界 xlabel(PCA主成分1); ylabel(PCA主成分2); title(PCA降維后的數(shù)據(jù)分布與SVM決策邊界示例); legend(LALV,LAHV,HALV,HAHV, Decision Boundary); hold off;5.3 與基線模型和現(xiàn)有研究的對比為了評估你的SVM模型是否有效需要設(shè)立基線進(jìn)行比較。隨機(jī)猜測基線四分類問題的隨機(jī)猜測準(zhǔn)確率是25%。多數(shù)類基線預(yù)測為訓(xùn)練集中樣本數(shù)最多的類別計(jì)算其在測試集上的準(zhǔn)確率。簡單分類器基線如最近鄰分類器KNNK1或決策樹最大深度5。% 多數(shù)類基線 majority_class mode(y_train); y_pred_majority repmat(majority_class, size(y_test)); accuracy_majority sum(y_pred_majority y_test) / numel(y_test); fprintf(多數(shù)類基線準(zhǔn)確率: %.2f%%\n, accuracy_majority * 100); % 1-NN基線 knn_model fitcknn(X_train_scaled, y_train, NumNeighbors, 1, Standardize, false); y_pred_knn predict(knn_model, X_test_scaled); accuracy_knn sum(y_pred_knn y_test) / numel(y_test); fprintf(1-NN基線準(zhǔn)確率: %.2f%%\n, accuracy_knn * 100);如果你的SVM模型顯著優(yōu)于這些基線例如準(zhǔn)確率超過40%F1分?jǐn)?shù)超過0.4并且與相關(guān)論文中報(bào)告的基于DEAP的SVM性能通常在55%-70%之間取決于特征、通道選擇和分類任務(wù)處于同一量級那么你的工作就是有效的。6. 項(xiàng)目總結(jié)、局限性與進(jìn)階方向走完整個流程從數(shù)據(jù)預(yù)處理、特征提取到模型訓(xùn)練評估一個完整的基于SVM的腦電情感識別項(xiàng)目就完成了?;仡櫿麄€過程有幾個關(guān)鍵點(diǎn)值得再次強(qiáng)調(diào)預(yù)處理是基石濾波和去噪的質(zhì)量直接決定了特征提取的上限。務(wù)必根據(jù)腦電信號的特性選擇合適的濾波參數(shù)。特征工程是核心時頻域特征特別是頻帶功率、微分熵對情感識別非常有效。嘗試組合不同類型的特征時域、頻域、非線性特征有時能提升性能但要注意維度控制。模型調(diào)優(yōu)是藝術(shù)SVM的性能對超參數(shù)和特征尺度敏感。網(wǎng)格搜索交叉驗(yàn)證是標(biāo)準(zhǔn)做法但計(jì)算成本高。務(wù)必做好數(shù)據(jù)標(biāo)準(zhǔn)化防止泄露。評估要全面不要只看準(zhǔn)確率混淆矩陣和F1分?jǐn)?shù)能揭示模型在各類別上的具體表現(xiàn)尤其是在數(shù)據(jù)不平衡時。本項(xiàng)目的局限性特征手工設(shè)計(jì)我們提取的時頻特征是手工設(shè)計(jì)的依賴于領(lǐng)域知識。這可能不是最優(yōu)的表示。通道選擇我們使用了所有通道但有些通道可能對情感識別貢獻(xiàn)很小甚至引入噪聲。通道選擇是一個重要的優(yōu)化方向。個體差異腦電信號存在巨大的個體差異。在一個被試上訓(xùn)練好的模型在另一個被試上可能效果很差。這就是“被試獨(dú)立”評估的挑戰(zhàn)。SVM的局限性SVM雖然強(qiáng)大但對于非常復(fù)雜的非線性關(guān)系其表現(xiàn)可能不如深度神經(jīng)網(wǎng)絡(luò)。進(jìn)階方向深度學(xué)習(xí)端到端學(xué)習(xí)使用卷積神經(jīng)網(wǎng)絡(luò)直接從原始腦電信號或時頻圖中學(xué)習(xí)特征避免手工特征工程。例如EEGNet、DeepConvNet等網(wǎng)絡(luò)結(jié)構(gòu)在此任務(wù)上表現(xiàn)出色??绫辉噷W(xué)習(xí)與域自適應(yīng)研究如何讓模型更好地泛化到新被試??梢允褂糜蜃赃m應(yīng)、遷移學(xué)習(xí)或元學(xué)習(xí)等方法。多模態(tài)融合DEAP數(shù)據(jù)集除了EEG還有外周生理信號GSR, RESP, EMG等。融合多模態(tài)信息可以顯著提升情感識別的魯棒性和準(zhǔn)確性。時序建模情感是動態(tài)變化的使用循環(huán)神經(jīng)網(wǎng)絡(luò)或Transformer對腦電信號的時間序列進(jìn)行建??梢圆蹲狡鋭討B(tài)演化模式。更精細(xì)的情感模型除了四分類也可以嘗試回歸任務(wù)直接預(yù)測效價(jià)和喚醒度的連續(xù)值或者探索更復(fù)雜的情感模型。這個項(xiàng)目提供了一個堅(jiān)實(shí)的起點(diǎn)。你可以基于這個代碼框架嘗試不同的特征、不同的分類器、不同的預(yù)處理方法逐步深入腦電情感識別這個有趣且充滿挑戰(zhàn)的領(lǐng)域。代碼的模塊化設(shè)計(jì)使得替換特征提取模塊或分類器模塊變得非常容易祝你實(shí)驗(yàn)順利。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
青青草99re| 桔色成人在线| 91干在线视频| 91久久久久久久| 亚洲人妻一区二区| 丁香六月婷婷综合| 精品五月花| 99热免费精品| 激情五月四色| 91综合在线| 丁香六月色婷婷综合| 日本久久人| 色综合久| 人人草公开操| 91午夜婷婷狠狠久久综合9色| 4399在线观看免费高清电视剧| 亚洲激情四谢| 欧洲第一无人区观看| 色综合色色| 天天色天天爽| 色99视频| 日本欧美国产| www狠狠com| 91狠狠综合久久久| 午夜成人AV在线| 五月天婷婷久色| 国产老熟妇亲子乱对白| 最近中文字幕2019视频1| 综合激情站| 亚洲综合干| 综合另类视频| 爆乳熟妇一区二区三区爆乳照片| 99偷拍视频在线日本| 丁香激情五月| 色播五月丁香婷婷| 五月婷婷与六月丁香图片激情| 九九热视频精品999| 99热6精品| 天天日天天插| 五月天亭亭俺也| wWwCom夜操wwW| 97人人爱人人操| 色五月综合激情网| 丁香婷婷欧美综合| 91精品刘玥| 成功精品影院| 色五月播五月| 这里只有精品久久| 亚洲av综合网| 伊人久久婷婷| 五月天激情国产综合婷婷| 五月丁香婷婷欧美| www.色婷婷.com| 51avj视频大全| 米奇影视资源婷婷狠狠色激情欧美五月丁香 | 热99精品视频| 五月丁香激情综合六月涩涩爱| 九九综合影音先锋| 婷婷伊人综合| 99操不停| 日韩综合久| 99热这里只有精品一| 五月丁香六月综合情在线观看| av一区免费看| 日韩黄色电影| 色色综合网站| 人人操Av| 天天天摸夜夜夜玩| 青草激情综合| 久久久久网站| 色五月婷婷综合| 97人人干| 亚洲精品无码一区二区| 大伊香蕉精品视频在线| 激情五月婷婷综合秋霞| 91精品综合久久久久久五月天| 五月激情综合婷婷| 人人操女人| 色婷婷四色| 色婷婷性爱| 丁香激情五月少妇| 婷婷内射视频在线| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 97碰成超视频免费视频| 亚洲啪啪啪啪| 狠狠擼综合| WWW.开心五月天.COM| 色五月av伊人| 日婷婷久久开心| 五月婷六月| 99热在线成人网站| 婷婷色色网| 国产ava| 国产精品岛国片在线观看免费| 婷婷色六月| 色九月国产| 一级精品999WWW| 午夜免费试看| 俺也去综合| 一级操逼内射在线视频| 伊人久久婷婷| 婷婷在线中文字幕| 久操激情| 国产寻花在线| 色欲影香| 婷婷丁香社区| 五月天婷婷情色| 热久免费视频9| 婷婷成人五月天| 丁香五月激情棕合| 日韩欧美一级大黄网站| 久热只有精品| 久久草大香蕉| 五月婷婷亚洲色图| sS丁香五月婷婷| 久久久婷婷五月亚洲97号色| 中美月韩免费A片| 婷婷色九月| 亚洲综合字幕色色| 俺也去在线视频| 日本婷久久| 国产毛片精品一区二区色欲黄A片| 婷婷五月色| 亚洲无码 图片区| 亚洲 欧洲 国产 伦综合| 天堂久久精品| 天天干狠狠| 91狠狠综合久久| 精品国产乱码久久久久久免费| 草久私拍| 色婷五月天亚洲| 丁香婷婷月| 丁香六月婷婷| 嫩草视频。| 成人婷99最新| 亚洲综合碰| 操碰97| 26uuu亚洲欧美| 99成人| 欧美大肥婆大肥BBBBB| 99ri视频在线观看| 欧美视频在线观看噜噜| 伊人久久大香线蕉av一区| 91怕怕网| 国产激情在线| 99狠狠| 丁香六月婷婷| 97人人干人人操| 五月婷婷在线观看| 国产精品国产成人国产三级| 9l视频自拍九色9l视频自拍九色9l社区| 色五月在线| 五月天婷婷免费视频| 99婷婷精品推荐在线视频| 9精品在线| 亚洲色A| 婷婷五月天丁香| 婷婷五月天渟渟| 免费AV黄在线播放| 大香蕉九九| 久久一操| 99热这里全都是精品| 丰满少妇猛烈A片免费看观看| 玖玖综合网| 婷婷色五月丁香六月欧美啪| 99久久人人| 五月婷久久| 97香蕉碰碰人妻国产欧美| 婷婷色资源| 天天日日天天| 国产成人精品一区二区三区视频 | 久久精彩免费视频精彩免费视频| 久久婷.com| 草久私拍| 九月婷婷丁香| 久久久天堂国产精品女人| 精品久热| 五月综合视频| 99热 免费| 亚洲综合色婷婷| 一级无码作爱片| 99热只有这里才是精品| 天天操天天干天天射| 久久久久婷婷五月热综合| 色色激情网| 91碰操| 天天干天天爽天天操| 成人国产欧美大片一区| 成人丁香婷婷五月天| 国产精品久久久久久久久久久久| 成人婷婷五月天| 久久激情综合| 呦呦视频无码播放| 91日综合欧美| 久热只有精品| 日本三级中国三级99| 少妇人妻人伦A片| 久久艹网| 亚洲黄色精品| xxxx五月激情| 九九精品大香蕉| av网站中文| 亚洲综合婷婷| 开心五月婷婷在线| www一起操在线观看| 99热这里只有精品2| 丁香五月激情啪啪综合| 99国产精品久久久久久久久久久| 色色色色欧洲| 欧美婷婷丁香社区在线播放| 婷婷色五月天在线| 热九九精品| 深爱激情九九五月天| 丁香六月婷婷综合缴| 亚洲婷婷激情888精品久| 婷婷丁香社区| 五月婷婷免费在线观看视频| 婷婷九九| 婷婷色影音天| 五月天丁香成人| 久操无码| 国产黄大片在线观看画质优化| 久久A热| 99热免费18| 99激情视频| 色色色综合色| 欧美情色电影一区二区| 天天综合色丁香| 久久五月视频| 97色碰碰公开视频| 激情综合网五月激情| 99热思思在线观看| 九月丁香八月婷婷久久综合久97| 99色色视频| 这里只有精品视频一区| 亚洲精品国产成人AV在线| 色色色综合网| 色五月首页| www.婷婷亚洲基地| 秋霞九九无码| 五月激情综合网| 亚洲精品五月| 激情婷婷| 国产4P视频精品五区| 91人妻PORNY九色大屁股| 这里只有精品日韩精品| 午夜婷婷久久 | 任你艹| 五月丁香九九九综合| 婷婷综合日本| 丁香五月狠狠在线观看| 婷婷综合激情| 超碰在线观看9| 丁香五月精品视频| 99亚洲精美视频在线观看| 久久99精品视频| 五月草视频| 99综合视频一体| www。五月,com| 色婷婷丁香五月| 六月丁香婷婷六月激情综合| 五月丁香综合激情在线观看| 日韩色久| 亚洲激情免费视频观看| 人人舔天天| 99只有精品9| 久久久性爱视频| 国产亚洲在线| 91疯狂操操操操| 色五月激情五月| 婷婷五月大香蕉| 国产精品噜噜在线视频| 五月丁香六月在线欧美| 色七七九九| 丁香五月天无码| 五月丁香六月婷婷久久肏| 国产XXXX搡XXXXX搡麻豆| 色狠狠综合| 婷婷色情五月| 五月丁香花开综合网| 五月色综合网欧美网| 婷婷五月丁香香蕉| 色开心五月婷婷丁香HD| 碰99在线| 大香蕉在九| 天天爱天天操| 色色色综合| 丁香六月婷婷| 日韩无码专区| 色六月婷婷| 成人五月天视频| 亚洲AAA| 99热只有精品综合| 五月天激情综合在线| 久草a片| 激情性爱婷婷| 婷婷综合av| 99久久超级| 少妇AB又爽又紧无码网站| 亚洲激情av| 丁香蜜臀黄色婷婷五月天| 99热国产这里只有精品| 色女伊人| 婷婷五月激情图片| 婷婷涩涩五月天| 亚洲欧美丁香五月天亚洲欧美| 天天色综合综合| 色五月天综合| 婷婷伊人久久综合| 色播五月婷婷五月| 婷婷99狠狠| 日本人人xxx| 夜夜夜叫天天天做| 成人综合伍月天| 综合激情深爱| 婷婷五月情| 六月丁香婷婷综合在线| 综合色影院| 操日视频| 五月丁香影视| 久久久国产精品黄毛片| 丁香花综合永久入口| 色欲五月丁香| 91 九色 入口| 色婷| 九月婷婷综合八月丁香在线观看| 激情五月色综合国产精品| 中文aV网| 婷婷天天色| 亚洲无码99| 五月丁香六月成人| 人人操日| 亚洲亚洲人成综合网络| 黄色AAAAAAA| 月丁香久久久| 亚洲免费看片| 色六月天| 天天综合五月| 国产69久久久欧美黑人A片| 中文字幕 中文字幕明步| 久久se 综合网 | 99欧美| 婷婷月五天在线在线看| 天天久久综合| 这里只有精品视频在线| 九九这里只有精品| 亚洲综合视频八| 久激情| 久久综合干| 国产99美少妇| 丰满熟女人妻一区二区三| 丁香婷婷色色| 免费无码毛片一区二区A片| 538在线精品| 中文字幕网伦射乱中文| 综合色网站| 久久这里只有精彩| 色五月婷婷久久| 日韩久久视频| 极骚大香蕉伊人| 一二区成人电影| 丁香六月婷婷五月天| 人人操人av| 天天日 天天草| 日韩在线9| 激情婷婷视频在线| 干亚洲天堂| 涩涩涩.com| 97久久人人| 丁香网五月天| 免费观看亚洲AV片| 婷婷五月无码| 亚洲经典三级| 另类激情五月| 五月丁香六月婷婷久久| 97人妻碰碰中文无码久热丝袜| 婷久久高清| 91美女被操| 色婷五月| 婷婷啪啪| 黄色三级日本| 亚洲日韩欧美综合VA| 婷婷婷婷婷婷婷五月丁香| 超碰操日| 五月丁香六月欧美综合| 五月婷婷六月天| 五月激情综合婷婷| 性小说五月天| 婷婷色导航| 色婷婷丁香中文在线播放| 久热中文字幕| 色五月97| 激情五月天色婷婷| AA片在线观看视频在线播放| 超碰在线91| 曰日爽日日操| 亚洲综合色成丁香五月色| 婷丁香五月天| 五月的色婷婷高潮| 九热网站| 丁香六月毛片| 日日做A爰片久久毛片A片英语| 黄网在线观看免费| 丁香五月婷久久| 午夜69成人做爰视频| 九月影院義母在线播放| 亚洲操B| 九九婷婷激情综合网| 日日干五月天婷婷| 欧美婷婷| 欧洲一区二区| 婷婷六月综合基地| 69精品人妻不卡视频| 亚洲精品五月| 色综合激情图区| 亚洲婷婷丁香五月天激情小说| www.99热视频| 在线成人av播放| 玖操97| 日本激情ⅩXX免费视频| av网址在线| 婷婷五月色花丁香社区| av免费人人| 夫妇交换刺激做爰| 色天天久婷婷| 青草视频在线观看视频| www.激情五月天.com| 五月激情啪啪| 另类的婷婷| 丁香五月色情| 极品色丁香| 五月天狠狠| 91五月天| 色综合久| 色五月婷婷大| 九月丁香很很色| 亚洲色情激情丁香五月| 91|疯狂丨高潮丨对白| 永久99免费视频网站| 色丁香五月| 天天插天天玩天天干| 婷婷五月色播放| 色丁香久久| 六月婷婷色综合| 日韩九区| 欧美日韩成人| 久色五月| 一区三区视频有限公司| 人妻综合网| 久热这里只精品| A久久| 九九热这里有精品23| 国产精品99久久久久久久女警| 成人超碰AV| 内射爽无广熟女亚洲| 久久午夜理论| 九月av| 九热视频| 99热这里只有精品8| 色99日韩| 97色婷婷| 激情99| 99,色| 亚洲V国产V欧美V久久久久久| 伦乱美欧| 99@久久@99精品视频| 五月丁香六月婷婷亚洲综合| 欧美人久久| 99在线精品视频| 五月天激情在线视频| 色色综合网www| 色偷偷综合| 9l视频自拍9l九色成人| 欧美三级巜人妻互换| 激情综合丁香五月| 久久婷婷视频| 任你干aa| 激情五月综合网| 秋霞学生妹一二级| 日韩野外 无套| 色老久久| 欧美综合在线五月天色婷婷| 99热国内精品| 激情婷婷狠狠干综合| 高清无码网址| 99热这只有| 操逼电影免费看| 99热亚洲精品| 午夜精品777| 色婷婷AV久久| 丁香五月影院| 天天干天干| 99视频超级精品| 伊人超碰在线| 欧美操人| 色偷偷五月天| 人妻操操色| 五月婷婷色影院| 五月丁香久久久| 色综合婷婷| 九九免费精品| Av性爱网站| 天久久久久| 亚洲亚洲人成综合网络| www激情| 丁香婷婷婷五月| 超碰在线精品| 97艹| 国产操B| 色五月在线播放| 播四月婷婷六月丁香| 久久九⑨| 这里只有精品网站| 开心婷婷五月天电影院| 五月香婷婷| www.久久9| 激情综合文学| 香蕉婷婷五月| 国产性av| 操操操97| 色综合综合综合| JAPANRCEP老熟妇乱子伦视频| 婷婷午夜| 激情图片五月天| 中文字幕精品在线观看| 天天综合五月天| 五月丁香六月婷婷操操操| 色婷婷九月综合| www.91有码.com| 久久99热免费| 五月丁香色五月| 五月综合婷婷开心网| 五月天色狠狠| 婷婷久久免费看| 欧美激情丁香五月天久久婷婷一区| 狠狠色婷婷7777久| 色婷婷五月影视| 九九色热| 思思久ren热| 丁香五月综合色婷婷| 久久永久网址| 婷婷舔| 色婷婷欧美在线| 五月丁香六月婷婷中文版| 国产婷婷五月中文字幕高清| 九九热这里只有精品12| 无月播播激情在线观看视频| xx人人xx| 九九久久99精品免费观看www| 婷婷色操| 五月婷婷五月| 变态 另类 在线| 99A片| 亚洲乱啪| 色五月色五天色情网| 丁香五月色情| 日韩av干| 5月婷婷激情在线| WWW.桔色成人.COM| 五月激情站| 91Chinese在线| 国产精品久久久久久久久久| 日本英国美国欧美亚洲国产精亚洲日韩精品在线观看 | 色欲影香| 99视频自拍| 97精品人人A片免费看| 猫咪伊人AV| 伊人五月综合网| 91综合国免费久入| 啪啪干伊人婷婷| 狠狠色噜噜狠狠| 婷婷五月电影| 99精品偷自拍| 综合精品啪啪| 丁香五月网站| 人妻自慰高清合集| 丁香色色网| 亚洲国产精品VA在线看黑人| 碰碰碰91| 亚洲人人96@| 综合一本道| 草草操操| 国产毛片操B| 综合久久高清| 99热这里只有精品96| 五月开心久久| 99热在线观看| 欧美色色色色色色色色色色| 千人斩操逼| 天天久综合| 五月天婷婷社区| 9999热在线| a在线观看| 色人妻五月| 9 1超碰九色| 亚洲激情四射色| 婷婷欧美综合| 五月六月激情| 婷婷久久网| 欧美日本高清视频99| 丁香六月婷婷综合色| 五月情色天| 久久久久婷婷| 182TV亚洲| 婷婷玉月丁香五月在线视频| 色综合激情| 9|在线观看视频| 五月丁香久久精品在线观看 | 欧美顶级少妇做爰HD| 夜夜躁婷婷AV| 天天色综合图片| 我爱大香蕉| 成人网站av免费网站推荐| 色五月婷婷五月久久| 色情久久久| 爱iii做iiii日日| 26uuu四色| 99热综合在线| 9热在线视频| 天天插天天很| www.色婷婷| 九九热婷婷| 婷婷五月综合视频| 国产毛片精品一区二区色欲黄A片| 9久热在线视频精品| 深爱五月最新网址| av国产精品| 亚洲色啪| 97碰久久| 99久热精品在线| 丁香五月23111| 1024日韩| 亚洲综合视频天天精品| www.色99| 五月丁香另类图片| www,超碰| 玖玖婷婷色| 婷婷激情社区| 激情婷婷激情在线不卡| 久久草婷婷丁香网站| 国产激情久久| 秋霞午夜理论| 日韩操人| 色情·com| 色色色色色色网站| 99啪啪视频| 日本久久婷| www.色综合.com| 午夜婷婷久久| 99人人操人人爱久久久| 天天综合网站| av在线免费网站 | 亚洲第一黄网| 九九热av| 五月天开心网| 久久五月六月| 五月花婷婷| 夜夜操夜夜爽| 中文字幕无码人妻少妇免费视频| 五月停停直播| 日本一級黃色一級片| 五月婷婷中文网| 激情图片亚洲| 日韩AV大全| 欧美毛卡| 黄色三级日本| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 九九爱精品网站| 丁香五月在线观看完整版| 五月婷婷丁香日韩在线| 亚洲色色香蕉| 亚洲天堂大香蕉| www.99久| 无码网| 碰97 久| 精品色色色| 精品九九婷婷| 91婷婷色五月| 激情五月天在线观看色婷婷| 国产精品久久久久久喷浆| 六月婷婷国产| 五月天停停日日| 婷婷五月天久久| 26uuu欧美日韩| 疯狂做受XXXX高潮A片动画| 三级大香蕉网| 久9精品| 26uuu成人网| 6080av| 免费观看2018www黄色操逼网站| a久久| 六月丁香婷婷色狠狠久久| 免费做A爰片77777| 激情综合色播| 99热最新网址| 久久综合五月天激情小说网站| 激情综合五月婷婷六月丁香| 婷婷五月av| 99热热热99精品婷婷| 少妇达人正片在线播放_ikun_福利吧| 亚洲熟女色| 欧美电影在线播放| 久久九九色| 色色精品色| 蒲京久久无码视频| 综合久久综合久久| 五月色情婷婷开心五月色情| 丁香五月最新网址| 99欧美| 久久婷婷六月综合综合色| 成人短视频在线| av操逼网| 91Chinese在线| 婷婷五月天第四色| 五月丁香91| 亚洲三A| 久久人人超| 另类综合国产| www.狠狠| 婷婷五月天首页激情| 九九这里只有精品| 99综合视频| 另类小说五月天综合| 亚洲色综久久五月| 男女啪啪做爰高潮无遮挡| 秋霞AV淫| 婷婷五月骚厕所| 婷婷中文字幕| 玖玖精品婷婷| 色婷婷综合久久| 日韩九九| 久久性爱视频| 亚洲AV成人无码久久精品老人法拉利| 天天摸天天舔在线视频| 97色图片中文字幕视频在线观看 | 国产亚洲99| 久久五月婷婷视频| 激情小说色五月| 九九热在线视频观看| 噜噜国产| 婷婷丁香综合成人| 亚洲AV激情五月综合网| 中文无码婷婷| 五月丁香婷婷婷激情爱爱| 国产精品第一国产精品| 五月天国产| 夜夜大香蕉婷婷丁香| 亚洲最大五月六月丁香婷婷| av在线超清中文| 亚洲第一黄网| 九九精彩久久| 丁香久久九九99| 99干免费视频| 99久久国产宗和精品1上映| 99热超碰在线| 99精品久久久| 这里只有精品视频| 野战毛片三一3| 亚洲丁香五月| 亚洲色色色色| www.五月激情红色| 婷婷九月激情网| 激情综合五月激情| 婷婷爱在线观看| 99ri在线| 91九色视频| 最新久久网址| 五月天久久www| 丁香六月婷婷综合啪啪| 五月天丁香欧美激情| 久久久.www| 丁香五月亚洲综合| 天堂美国久久| 婷婷五月天丁香综合网| 97操碰人免费| 影音先锋AV资源男人站| 任我干视频在线观看| 日本二级毛片二级毛片| 色哟呦av| 国内自拍97在线| 伊人免费视频9| 久草九一| 日本欧美999久久久三级片| 久在线综合69| 久久婷婷的综合色丁香五月| 丁香综合久久| 综合久久高清| 色丁香五月婷婷| 五月天色色色| 婷婷久久久久久久| 很很干在线视频| 五月丁香六月婷婷在线播放| www.俺去也com| 涩五月色婷婷| 日本天天色| 色呦呦美女| 色六月婷婷| 99综合视频一体| 婷婷综合久久| 第九色区av天堂| 日木WWW视频| 亚洲a片免费观看| 国产精品丝| 久久亚洲婷婷| 成人欧美一区二区三区在线观看 | 日日日日日| 任你躁XXXXX麻豆精品| 国模九区| 97超碰在线免费观看| av在线资源| 九月婷婷综合八月丁香在线观看 | 六月丁香激情网| 美欧日韩国产成人在战| 免费精品99| 色五月婷婷在线观看第一页舔| 中文字幕欧美精品久久| 91丨九色丨白浆| 久久色五月天| 天天舔天天摸视频| 日本色99| 99综合网| 色很久综合| 久久色情| 天天色天天爱天天爽| 久热免费| 久久久中文| 色九九九综合| 久久久18| 国精产品一区二区三区| 黄色一级影片| 少妇2做爰HD韩国电影| 9色在线视频精品观看| 深夜男女福利刺激影院一区完整| 五月丁香六月激情狠狠| 九九成人| 久久在线视频免费观看| 九伊人网| 99 色色吧| www激情| www.色婷婷| www九月婷婷| 国产中文亚洲欧美日韩性交| 九九热精品6| 99这里只有精| www,久久久人人| 思思久久99热| 开心激情综合| 欧美三级A做爰在线观看| 大香蕉啪啪啪啪啪啪| 99视频超级精品| 草综合14| 亚洲欧美在线观看| 久久综合丁香| 五月天色婷婷伊人网| 夜夜谢天天干| 久热伊人9| 亚州日本欧州韩美高青高潮一| 五月色婷婷影院| 99日热在线视频| 婷婷五月激情的图片| 激情综合网五月天| 国产精品色情AAAAA片软件| 在线网黄| 婷婷五月天激情文学| 香蕉AV福利精品导航| www99在线观看视频| 丁香五月六月激情| 丁香五月自拍| 五月丁香91| 婷婷五月天开心网| 亚洲愉拍99热成人精品| 亚洲欧美婷婷五月色综合| 伊人啪啪网| 大色鬼综合| 日韩色色小视频| 激情六月天婷婷| 色婷婷丁香AV综合| 婷婷深爱色五月| 99热啪啪| 综合久久久| 婷婷伊人网| 五月丁香六月激情| 人人色性网| 五月天激情国产综合婷婷| 久久综合伊人77777蜜臀| 亚洲激情综合免费| 一区二区成人电影免费播放| 色色99色色| 五月亭亭直播| AV在线观看网站| 激情久久丁香| 久久婷婷综合拍| 性天天中文网| av操逼网| 亚州视频九九99| 丰满老熟妇BBBBB搡BBB| 五月婷婷深深的爱| 激情av| 色九月婷婷综合| www.婷婷.com| 亚洲色色五月天| 色激情五月天| 日韩久综合| 色欧洲| 婷婷自拍| 99综合| 九9九9无码| 六月丁丁香| 人人搡人人| h在线看免费版在线看| 激情AV中文| 九九在线精品| 色婷婷色综合激情91| 五月婷婷视频在线观看| 99视频在线观看网址| 婷婷丁香五月综合免费视频百花| 大胆伊人久久| 免费观看的av| 91久久久久久久91| 九九色欲网| 久综合网| 久久综合婷婷| 熟女五月天久久综合| 中文字幕 中文字幕明步| 开心五月婷婷激情网| 蜜乳av一级av| 91精品综合久久久久久五月丁香 | 99爱在线| 色综合另类| 中文AV在线观看| 97色婷婷成人综合在线观看| 久99| 午夜不卡久久精品无码免费| 五月婷婷之六月丁香| 猫咪伊人AV| 五月丁香六月激情在线| 丁香九月综合| 99热这里只有精品8| 婷婷丁香五| 欧美十二区| 亚洲色五月天| 色色五月丁香| 香蕉AV777XXX色综合一区| 婷婷香五月综合激情| 亚洲五月天色色| 黄网免费看| 影音先锋xfplay资源男人网| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 丁香五月欧美激情| www.9797国产| 天天爱天天操| 六月婷婷网站| 五月丁香婷婷婷激情爱爱| 成人短视频在线观看| 激情五月网站| 色 五月 天 婷婷 丁香 九月| 色综合丁香婷婷| 99惹| 成人免费网站免费看| 激情婷婷色色| 国产一级婬片毛片| 国产99久9在线| 棕合影院色色| 色色色99| 色五月综合激情| 五月停停色色丁香| 97在线观视频免费观看| 五月婷婷综合视频| 天天日日人| 久久9热综合| 色五月天在线观看| 婷婷视频在线| 国产亚洲在线| 有码一区二区三区| 欧美精品999| 中文网av| 五月丁香六月在线欧美| 2015在线中文字幕| 婷婷色五月激情| 婷婷丁香综合| 久久精彩综合视频| 4399精品一区二区| 亚洲综合五月| 这里只有精彩视频| 激情六月五月婷婷综合网| 99热 在线播放| 亚洲乱码日产精品BD| 久久99热这里只频精品6学生| 色9色| 六月丁香中文字幕| 久久婷婷青青草| 99啪啪| 五月天婷婷在线播放| 久久亚洲网| 综合色影| 丁香亚洲色综合| 99操碰| 免费97碰碰| 伊人色综在线| 很很操96| 涩涩涩五月天| 中文字幕 中文字幕明步| 91大神操美女| 久在热99| 99在线免费视频| 第四色大香蕉| 俺去也在线视频| 午夜色色色极品视频| www.9797国产| 影音先锋男人AV资源站| 五月婷婷性爱| 97超碰人人操| 久久a热| 久久一二三视频| 日韩欧美一区二区三区四区| 九九99热| 亚洲在线成人| 五月丁香六月激情网站| 99视频内射三四| 九九久久精品| 香蕉操亚洲| 99热这里全都是精品| 欧美Va在线| 99re这里只有精品视频6| caop在线| 9999热在线免费观看| 91丨九色丨国产打屁股网站| 荫道BBWBBB高潮潮喷| 色偷偷五月天| 久久香蕉网| 色婷婷五月在线| 天天天天天天操| 亚洲色激情| 久久这里只有精品视频15| 六月丁香婷| 久久久久久人妻| 婷婷中文字幕| 9999久久久久| www.久久久久久久| 五月天伊人综合| 婷婷五月天伊人| 亭亭五月色男人| 综合激情网激情五月。| dingxiangtingtingliuyue| 丁香五月 六月婷婷首页| 国产探花AV在线| 久久99热 这里有精品| 大波美女VA网站| 激情五月婷婷网在线观看| 综合五月天亚洲婷婷| 人人澡天天色天天做| 欧韩性爱| 五月天丁香啪啪综合| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 五月丁香六月婷婷玖玖| 99色热视频| 六月丁香综合网| 天天摸天天高潮天天爽| 婷婷深爱网| 亚洲色A| 深夜激情网| 综合网天天| 精品99视频| 久久久99久久| 久久久这里有精品| 91婷婷| 亚洲中文字幕在线观看| 激情玖玖sh| 雪千夏麻豆| 五月天激情图片网| 九九 激情 网| 婷婷天堂站| 婷婷五月天改成什么了| 狠狠干在线视频| 五月婷婷开心丁香| 久久狠狠干| 亚韩在线视频| 黄网在线播放| 婷婷伊人五月天| 色九九一二| 久久刺激网| 五月丁香日本一抹本| 狠狠搞综合色| 色婷婷基地| 狼人狠狠操| 五月婷婷六月天| 日逼AV影音先锋男人资源站| 七七久久综合| 欧美色九| 免费色色色| 深爱激情六月| 91九色丨国产丨爆乳| 日日夜夜干| 欧美97超碰| 六月婷婷啪啪| 激情的五月婷婷蜜桃| 综合激情深爱| 女婷久久| 大战熟女丰满人妻AV| 激情婷婷丁香色五月| 色综合婷婷| 日日操日日射| 五月婷婷九九热| 五月婷婷激情综合| 丁香婷婷五月| 丁香六月色婷婷| 亚洲成av人影院| 久久婷婷五月激情综合| 99re这里只有精品9| www.99热. com这里只有精品| 99爱视频| 九九视频在线观看视频6 | 久久性爱激情| 色很很96| 天天干狠狠| 色色色com| 激情五月天情色| 九九99在线观看视频| 久久视频这里99| 夜夜操天天干| 九九99偷拍视频| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 婷婷成人五月天| 91大神在线免费看视频全集男男一起操| AV在线资源| 战争与艾拉电影免费观看| 91色五月| 欧洲综合一区| 五月份婷婷| 夜夜爱网站| 亚洲经典三级| 久久伊人婷婷| 五月网网站| 91日本在线观看| 国精产品一区二区三区| 狠狠va| 久久综合激情| 99re免费视频| 99热久久最新地址| 色色色色色色色色五月先| 一区二区无码视频| 久久视屏这里只有久久| 丁香婷五月天开心六月| 麻豆观看夏晴子| 一级片sese片.COM| 色综合五月| 一本婷婷丁香久久 | 97精品综合| 91九色超碰正在播放| 婷婷丁香五月六月激情| 久久综合人妻| 黄网在线观看免费| 色婷婷五月天不卡| 狠狠干狠狠干| 亚洲天堂久久| 日本在线99| 婷婷五月天综合久久日美女| 色色色视频| 色综合激情| 激情综合在线观看| 婷婷伊人网| 99热综合在线观看| 五月天成人在线视频丁香| 九九AV| 欧美在线操| 色综合天天| 狠狠色噜噜色狠狠狠综合色| 偷拍视频五月天| 婷婷五月天av| 色婷婷手机在线| www99精品| 成人网在线视频| 美女天天爽| 超碰一区二区| 丁香六月激情蜜桃| 精品少妇人妻AV无码专区偷人| 五月丁香激情四射| 色爱99| 99网| 久久久WWW| 婷婷丁香97| 六月婷欧美| 五月天激情国产综合婷婷婷| 99这里只有| 97人碰人操| 思思精品久久艹 | 91嫩草国产线观看亚洲一区二区| 99热国产国产| www.五月天| 三区激情四射av| 久久精品99| 丁香婷婷五月天色综合| 这里有精品| 亚洲九九免费| 激情婷婷| 亚洲五月天综合| 日本欧美成人片AAAA| 五月丁香狠狠爱婷婷综合| 国产精品人成A片一区二区| 狠狠干天天内射| 综合久久99| 久久五月激情网| 亚洲中文字幕在线观看| 五月丁香六月合| 97搞在线| 五月天综合在线观看| 欧美婷婷丁香五月| 五月天婷婷丁香基地在线观看| 91久久色| 五月丁香成人| 丁香色五月直播| 裸睡玩奶头(高H)| 六月婷婷日| 玖玖91| 婷婷五月天开心网| 色99色| 色色色色综合| 色五月av伊人| 九九九干精品| 久久金品黃色| 亚洲、欧美、国产另类笫二区| 91精品综合久久久久久五月丁香| 天天天久久久| 超碰在线caop| 婷婷五月天黄色小说| 五月天婷综合| 老司机伊人| 欧洲日韩一区二区三区| 亚洲一级 片内射网站在线观看| 日日操夜夜骑| 亚洲免费99| 99热这里只有精品8| 五月丁香激情在线| 丁香五月最新网址| 97久久久| 五月丁香色五月| 丁香婷婷老司机久操| 色狠狠999综合| 久久五月丁香伊人青草| www.金莲av| 97碰人人操| 日韩一区二区在线播放| 操操综合网婷婷| 国产成人AV在线播放| 欧日美女Va| 婷婷丁香大香蕉| 超碰色综合| 六月色婷婷欧美| 91在线人| 色综合99| 五月婷婷综合潮喷| 五月综合丁香婷婷| 精品一二三区久久AAA片| 九九视频这里只有精彩| 免费观看亚洲AV片| 国产精品18久久久| 欧美 日韩 成人| 五月丁香拍拍激情综合| 91人人妻人人操| 99热这里只有精品8| 婷婷丁香在线播放| www色色色com| 激情电影五月婷婷| 九九视频这里只有精品| 婷婷日日夜夜| www.av视频xx999.com|